USE24-XD
收藏资源简介：
USE24-XD是由特拉华大学与马克斯·普朗克人口研究所联合构建的大规模多标签社交媒体数据集，聚焦2024年美国总统选举周期中的有害内容。该数据集包含近10万条来自X平台的帖子，涵盖阴谋论、煽动性言论、仇恨言论等五大细分类别，通过六种大型语言模型（LLM）进行自动化标注，并经过34名众包人员验证。数据采集时间为2024年10月至2025年7月，包含时空元数据和情感分析特征，60%的帖子被标记至少一个有害类别。该资源旨在支持选举虚假信息检测、多标签分类等社会计算研究，推动在线内容治理技术的发展。
USE24-XD is a large-scale multi-label social media dataset jointly constructed by the University of Delaware and the Max Planck Institute for Demographic Research, focusing on harmful content during the 2024 U.S. presidential election cycle. The dataset contains nearly 100,000 posts from the X Platform, covering five fine-grained categories including conspiracy theories, inflammatory speech, hate speech and others. It was automatically annotated using six large language models (LLMs) and validated by 34 crowdworkers. The data was collected between October 2024 and July 2025, and includes spatiotemporal metadata and sentiment analysis features; 60% of the posts are labeled with at least one harmful category. This resource aims to support social computing research such as election disinformation detection and multi-label classification, and promote the development of online content governance technologies.
U.S. Election 2024 X.com Dataset (USE24-XD) 数据集概述
数据集简介
- 数据集名称：U.S. Election 2024 X.com Dataset (USE24-XD)
- 数据来源：X.com（原Twitter）
- 数据规模：近100,000条公开帖子
- 时间范围：2024年10月17日至2025年7月16日
- 覆盖时期：涵盖2024年美国总统选举的选举前和选举后时期
- 筛选条件：帖子需同时提及“election”和“2024”
- 相关论文：https://arxiv.org/abs/2602.11962
数据内容与结构
主数据集文件
- 文件：https://github.com/Sensify-Lab/USE24-XD/blob/main/U.S_Election_2024_Xcom_Dataset.csv
- 样本文件：https://github.com/Sensify-Lab/USE24-XD/blob/main/U.S_Election_2024_Xcom_Dataset_Sample100.csv
文本内容字段
id— 帖子的唯一标识符created_at— 帖子创建时间戳text— 原始帖子文本text_clean— 用于分析的预处理文本word_count— 清理后文本的单词数hashtags— 提取的标签entities.mentions— 帖子中的用户提及
元数据字段
author_id— 作者唯一标识符username— [出于隐私原因已编辑]name— 作者的显示名称verified— 账户是否已验证possibly_sensitive— 敏感媒体内容标志lang— 检测到的语言edit_history_tweet_ids— 编辑历史标识符
位置信息字段
user_location— 自由文本形式的自我报告位置user_location_USA_state— 可识别时解析出的美国州名
参与度指标字段
public_metrics.retweet_count— 转发数public_metrics.reply_count— 回复数public_metrics.like_count— 点赞数public_metrics.quote_count— 引用帖子数public_metrics.bookmark_count— 书签数public_metrics.impression_count— 展示次数
情感分析字段
sentiment_vader_raw— 连续的VADER情感分数sentiment_vader_label— 分类情感标签（positive、neutral、negative）
基于LLM的标注字段
采用群体智慧聚合方法，结合表现最佳的大型语言模型输出和人工评估，构建了跨五个类别的稳健多标签数据集。列为二进制指标（1 = 存在，0 = 不存在）：
Speculation— 推测Sensationalism— 煽情主义Conspiracy— 阴谋论Hate_Speech— 仇恨言论Satire— 讽刺
中间数据文件
LLM个体标注文件
- 文件：https://github.com/Sensify-Lab/USE24-XD/blob/main/Intermediary/LLM_Individual_Annotation.csv
- 样本文件：https://github.com/Sensify-Lab/USE24-XD/blob/main/Intermediary/LLM_Individual_Annotation_Sample100.csv
- 内容：每个模型预测帖子是否属于五个类别中的一个或多个：Conspiracy, Sensationalism, Hate Speech, Speculation, Satire。列为二进制指标（
1 = 存在，0 = 不存在）。 - 包含模型：
- GPT-4o Mini
- GPT-4o
- Gemini 2.0 Flash
- Gemini 2.5 Pro
- Llama 3.1 (8B)
- Llama 3.3 (70B)
人工标注子集文件
- 文件：https://github.com/Sensify-Lab/USE24-XD/blob/main/Intermediary/Human_Annotation_Subset.csv
- 规模：1,000条帖子（约1%）的随机样本，由三位人工标注员标注。
- 内容：包含个体标注以及多数投票标签。列为二进制指标（
1 = 存在，0 = 不存在）。 - 字段：
- 多数投票标签：
conspiracy_majority,hate_speech_majority,satire_majority,sensationalism_majority,speculation_majority - 个体标注：
conspiracy1,conspiracy2,conspiracy3等。
- 多数投票标签：
标注方法
- 标注类型：有害内容多标签标注
- 标注数量：五个类别
- 标注方法：使用六个大型语言模型（LLMs）的集成生成标注，并结合人工标注子集进行验证和比较。
注意事项与限制
- 数据使用基础层流式API收集。
- 地理分析应谨慎解释，因为位置是自我报告的。
- 联系方式：kylewang@udel.edu
许可信息
- 本项目采用MIT许可证。详情见：https://github.com/Sensify-Lab/USE24-XD/blob/main/LICENSE.md
引用方式
bibtex @misc{wang2026wisdomllmcrowdlarge, title={Wisdom of the LLM Crowd: A Large Scale Benchmark of Multi-Label U.S. Election-Related Harmful Social Media Content}, author={Qile Wang and Prerana Khatiwada and Carolina Coimbra Vieira and Benjamin E. Bagozzi and Kenneth E. Barner and Matthew Louis Mauriello}, year={2026}, eprint={2602.11962}, archivePrefix={arXiv}, primaryClass={cs.HC}, url={https://arxiv.org/abs/2602.11962}, }
